Identification basée sur les données pour l'abus de substances

En 2016, près de 30 % des sorties d'hôpital aux États-Unis (É.-U.) comportaient une catégorie de diagnostic majeure pour une affection liée à la consommation de substances. L'abus de substances se classe au deuxième rang des diagnostics principaux pour les taux de réadmission non planifiée à l'hôpital dans les 7 jours. Malgré la disponibilité des interventions de dépistage, d'intervention brève et d'orientation vers le traitement (SBIRT), l'abus de substances ne fait pas partie de la routine d'admission et seule une minorité de patients sont dépistés pour l'abus de substances en milieu hospitalier. Cela est particulièrement problématique, car parmi les patients hospitalisés, la prévalence de l'abus de substances est estimée à 25 %, soit plus que dans la population générale ou en milieu ambulatoire. Des méthodes de dépistage pratiques adaptées au milieu hospitalier sont nécessaires.

Avec l'avènement de l'utilisation significative dans le dossier de santé électronique (DSE), l'efficacité de la détection de l'alcool peut être améliorée en tirant parti des données recueillies lors des soins habituels. La documentation de la consommation de substances est courante et apparaît dans plus de 96 % des notes d'admission des fournisseurs, mais leur format de texte libre les rend difficiles à extraire et à analyser. Le traitement du langage naturel (NLP) et l'apprentissage automatique sont des sous-domaines de l'intelligence artificielle (IA) qui fournissent une solution pour analyser les données textuelles dans le DSE afin d'identifier l'abus de substances. La PNL moderne a fusionné avec l'apprentissage automatique, un autre sous-domaine de l'intelligence artificielle axé sur l'apprentissage à partir des données. En particulier, les méthodes de PNL les plus puissantes reposent sur l'apprentissage supervisé, un type d'apprentissage automatique qui tire parti des normes de référence actuelles pour faire des prédictions sur des cas invisibles.

Dans la version précédente d'un outil de PNL et d'apprentissage automatique, les chercheurs ont utilisé avec succès les données des notes cliniques recueillies au cours des 24 premières heures d'admission à l'hôpital pour atteindre une sensibilité et une spécificité supérieures à 70 % pour identifier l'abus d'alcool. Avec près de 36 millions d'admissions à l'hôpital en 2016, un classificateur d'abus de substances a le potentiel d'avoir un impact sur des millions de personnes.

Dans cette étude, l'objectif est de mettre en œuvre de manière prospective un classificateur d'abus de substances pour examiner son efficacité par rapport à la pratique actuelle de tous les patients adultes hospitalisés dans un système de santé tertiaire. Le système de santé dispose d'un système de dépistage mature pour examiner les performances des classificateurs de toxicomanie par rapport à la pratique actuelle de dépistage par questionnaire.

L'hypothèse est que le classificateur d'abus de substances peut fournir une approche normalisée, interopérable et précise pour dépister les patients hospitalisés. La mise en œuvre réussie du classificateur chez les patients hospitalisés est une étape vers un système de dépistage universel automatisé et complet pour l'abus de substances.